Relay-Bench: Evaluating LLMs on Multi-Domain Reasoning Chains
Что произошло
Источник arXiv cs.CL зафиксировал сигнал: arXiv:2607.18438v1 Announce Type: new
Abstract: Introducing Relay-Bench, an unsaturated, holistic, text-only benchmark that measures LLMs' ability to complete an assortment of tasks from distinct domains in a single prompt. The leading model, GPT-5.5 (xHigh), scores 43.3%. The test set entirely consists of composite problems: groups of single-domain subproblems that are strung together into challenges that require reasoning across multiple domains in combination. Many of these problems then have layers of complexity added through prompt encoding and deliberate context bloat. Domains tested include visual reasoning, coding, math, information extraction (with a focus on web search), problem-solving, general knowledge, and data analysis. No restrictions are imposed outside of the model harness, and models are explicitly encouraged to leverage code-execution, web searches, and all available tools. All problems are composed of two to thirteen subproblems and do not require multi-modal input or output.
Почему это обсуждают
Для аудитории COMRAD404 это повод проверить, касается ли тема моделей, агентов, промптов, инструментов или разработки с ИИ. Социальный источник сам по себе не является доказательством, поэтому выводы нужно держать осторожными.
Что подтверждено
| Punkt | Detail |
|---|---|
| Платформа | arxiv |
| Источник | arXiv cs.CL |
| Проверка | https://arxiv.org/ |
Что проверить дальше
Нужно открыть первичный источник, документацию продукта, GitHub, блог лаборатории или публикацию автора и отделить факт релиза от реакции сообщества.
Источник: arXiv cs.CL – https://arxiv.org/abs/2607.18438; проверка: https://arxiv.org/